/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
qwen3_asr · dense
Базовая модель
Qwen3-ASR-1.7B
Библиотека
transformers
Опубликована
8 авг 2026

CN-MultiDialect-ASR

Распознавание речиАудио → текст4 профессии

Модель на основе Qwen3-ASR-1.7B для транскрибации мандаринского китайского и китайских диалектов с улучшенной диалектной адаптацией.

209скачиваний за 30 дней19лайковвеса обновлены17 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

CN-MultiDialect-ASR — модель распознавания речи, разработанная группой Audio, Speech and Language Processing Group Северо-Западного политехнического университета совместно с WeNet Community и NEXDATA TECHNOLOGY INC. Она дообучена на основе Qwen/Qwen3-ASR-1.7B для транскрибации китайской речи, включая диалекты, с целью улучшить распознавание диалектов при сохранении качества для мандаринского китайского.

Модель использует плотную архитектуру Qwen3-ASR и принимает аудио, выдавая текстовую транскрипцию. Авторы описывают трёхэтапную адаптацию: дополнительное предобучение на китайской речи, дообучение с акцентом на диалекты и on-policy self-distillation. В демонстрации представлены мандаринский китайский, английский и китайские диалекты; для английского поддержка указана только как язык демонстрации.

Для вывода модель совместима с пакетом qwen-asr. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка описывает улучшение распознавания диалектов, но численные результаты таблиц в предоставленном тексте опущены.

Сценарии применения

  • транскрибация речи на китайских диалектах
  • распознавание мандаринской китайской речи
  • сравнение качества распознавания разных китайских диалектов
  • создание текстовых расшифровок китайских аудиозаписей

Ограничения

Предназначена прежде всего для китайской речи и диалектов; английский указан в демонстрации, но его качество и охват не описаны. Численные результаты сравнительных таблиц в доступном тексте README отсутствуют.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

On-Policy Self-Distillation for Multi-Dialect ASR: Mastering Dialects, Retaining Mandarin

Paper GitHub License

This repository hosts the released CN-MultiDialect-ASR checkpoint, adapted from Qwen3-ASR-1.7B with a three-stage pipeline: continual pre-training (CPT), dialect supervised fine-tuning (SFT), and On-Policy Self-Distillation (OPSD). The goal is to improve Chinese dialect recognition without raising Mandarin CER.

Demo

Video demo with live waveforms and model transcriptions for Mandarin, English, four core dialects, and 15 ChinaVoices dialects.

Key Features

  • Mandarin–dialect balanced adaptation: improves Chinese dialect ASR while retaining Mandarin recognition.
  • Three-stage pipeline: CPT strengthens the Chinese ASR foundation, dialect SFT specializes for dialects, and OPSD refines the final checkpoint.
  • On-Policy Self-Distillation: trains on student-decoded prefixes with soft teacher targets, reducing the train–test mismatch of teacher-forced ASR training.
  • Drop-in inference: compatible with the official qwen-asr package.

Quickstart

Inference is compatible with Qwen3-ASR. We recommend installing the official qwen-asr package in a clean environment.

Environment Setup

conda create -n qwen3-asr python=3.12 -y
conda activate qwen3-asr
pip install -U qwen-asr

For faster inference with the vLLM backend:

pip install -U qwen-asr[vllm]

Model Download

You can load the model directly from Hugging Face, or download it locally first:

# Hugging Face
pip install -U "huggingface_hub[cli]"
hf download ASLP-lab/CN-MultiDialect-ASR --local-dir ./CN-MultiDialect-ASR

# ModelScope (recommended for users in Mainland China)
pip install -U modelscope
modelscope download --model ASLP-lab/CN-MultiDialect-ASR --local_dir ./CN-MultiDialect-ASR

Python Inference

Load the model with Qwen3ASRModel.from_pretrained and call transcribe:

import torch
from qwen_asr import Qwen3ASRModel

model = Qwen3ASRModel.from_pretrained(
    "ASLP-lab/CN-MultiDialect-ASR",  # or "./CN-MultiDialect-ASR" for a local path
    dtype=torch.bfloat16,
    device_map="cuda:0",
    # attn_implementation="flash_attention_2",
    max_inference_batch_size=32,
    max_new_tokens=256,
)

results = model.transcribe(
    audio="path/to/audio.wav",
    language="Chinese",  # or None for automatic language detection
)

print(results[0].language)
print(results[0].text)

Batch inference is also supported:

results = model.transcribe(
    audio=[
        "path/to/mandarin.wav",
        "path/to/dialect.wav",
    ],
    language=["Chinese", "Chinese"],
)

for r in results:
    print(r.language, r.text)

For vLLM backend, streaming inference, and forced alignment, see the Qwen3-ASR repository.

Method Overview

StageTraining dataGoalObjective
CPTFull Mandarin-dialect collection (~100k hours)Build a stronger Chinese ASR foundationCross-entropy
SFTSame sources with higher dialect sampling weight and a small Mandarin anchorLower dialect CERCross-entropy
OPSDDialect refinement subset (~5k hours)Improve dialect recognition without hurting MandarinToken-level KL

At inference time, only the student pathway is used.

Performances

Dialect Overview

Public Dialect CER (%)

Internal Dialect CER (%)

Mandarin CER (%)

Citation

If you use this model, please cite:

@misc{wang2026onpolicyselfdistillationmultidialectasr,
  title={On-Policy Self-Distillation for Multi-Dialect ASR: Mastering Dialects, Retaining Mandarin},
  author={Shuiyuan Wang and Bingshen Mu and Pengshen Zhang and Chengyou Wang and Yujie Liao and Chengdong Liang and Binbin Zhang and Qiangze Feng and Lei Xie},
  year={2026},
  eprint={2608.11898},
  archivePrefix={arXiv},
  primaryClass={eess.AS},
  url={https://arxiv.org/abs/2608.11898}
}

License

The released model is licensed under Apache 2.0.

Contact

For questions or collaborations, please contact wangshuiyuan@mail.nwpu.edu.cn.

You are also welcome to join our WeChat group for technical discussions and updates.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ASRForConditionalGeneration
Ревизия весов
bea6351

0 моделей